Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 「AIは本当に信頼できるの？」 「社内文書を効率的に検索・活用できないか？」 こんな課題を抱えている方に朗報です。 GitHub で爆発的な人気を集めている RAGFlow が、企業の文書管理に革新をもたらしています。 RAGFlow は、文書解析と LLM を組み合わせた次世代の QA システムです。 特筆すべきは、PDF やワード文書はもちろん、画像内のテキストまで正確に解析し、AIの回答に具体的な参照元を示せる点。 幻覚（ハルシネーション）を抑制し、信頼性の高い回答を実現します。 本記事では、RAGFlowの基本概念から
LangChainで用意されている代表的なVector StoreにChroma(ラッパー)がある。 ドキュメントだけ読んでいても、どうも使い方が分かりにくかったので、適当にソースを読みながら使い方をメモしてみました。 VectorStore作成 データの追加 データの検索 永続化 永続化したDBの読み込み embedding作成にOpenAI APIを利用する 文字列リストからVectorStore作成 DocumentsからVectorStore作成 リンク VectorStore作成 from langchain.vectorstores import Chroma db = Chroma() print(f"count = {db._collection.count()}") # count = 0 これだけでChromaを使ったVectorStoreは作成できる。ただし、オプショ
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 本記事では、ベクトルデータベースの構築とRAGでの検索を初心者向けにまとめています。 GoogleColaboratory環境で実装するため、ややこしい環境設定はほとんどありません。全部無料です。 生成AIやRAG、ベクトルデータベースは難しいイメージを持つ人が多いですが、実はとてもシンプルで実装も簡単です。15分程度で実装できるようになり、かつ語れるようになります。 ベクトルデータベースとは？ ここからざっくり分かりやすく説明します。イメージを掴むことを優先します。 まず普通のデータベースについて 普通のデータベースには数字
社内のデータからGPTに回答をさせる方法 GPTはある特定の期間までの公開されている情報からしか回答をする事が出来ません。企業の中にある機密情報は学習していないので、GPTに質問をしてもGPTは回答のしようがありません。では社内のデータからGPTに回答を生成してもらうためにはどのような方法があるのかと言いますと、これは大きく２つ存在します。１つが「ファインチューニング」と言う方法。もう一つが「RAG」と言う方法になります。 ファインチューニング ファインチューニングは学習済みのGPTモデルに対して、社内の情報を使って追加で学習を行うと言う事となります。これによって、ユーザーが例えば「社内の○○について教えて」とGPTに質問をすると、GPTは社内のデータを追加で学習しているので回答ができるようになるという方法です。 一見すると画期的な方法に見えますが、実際には学習コストが非常に高く、さらには
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く